Vertex AI para usuarios de AI Platform

Vertex AI une AI Platform y AutoML en una sola interfaz. En esta página, se comparan Vertex AI y AI Platform para usuarios que están familiarizados con AI Platform.

Entrenamiento personalizado

Con Vertex AI, puedes entrenar modelos con AutoML o puedes realizar un entrenamiento personalizado, que es un flujo de trabajo más similar a AI Platform Training.

Tarea	AI Platform Training	Vertex AI
Selecciona la versión de framework de aprendizaje automático que deseas usar.	Los usuarios de la consola de Google Cloud establecen el nombre y la versión del framework.
	Versiones del entorno de ejecución: Cuando envíes un trabajo de entrenamiento, especifica la cantidad de una versión del entorno de ejecución que incluya tu framework y versión de framework deseados.	Contenedores: cuando envíes un trabajo de entrenamiento personalizado, especifica el URI de Artifact Registry de un contenedor compilado previamente que corresponda a tu framework y versión de framework.
Envía un trabajo de entrenamiento con un contenedor personalizado	Compila tu propio contenedor personalizado, alójalo en Artifact Registry y úsalo para ejecutar tu aplicación de entrenamiento.
Configura la región de Google Cloud que usarás	Especifica el nombre de una región cuando envíes un trabajo de entrenamiento a un extremo global (`ml.googleapis.com`).	Envía el trabajo de entrenamiento personalizado a un extremo regional, como `us-central1-aiplatform.googleapis.com`. No hay un extremo global. Algunas regiones que están disponibles en AI Platform no lo están en Vertex AI. Consulta la lista de regiones compatibles en la página Ubicaciones.
Especifica configuraciones de máquina para el entrenamiento distribuido	Especifica las configuraciones con el nombre de funciones de tu clúster de entrenamiento específicas (`masterConfig`, `workerConfig`, `parameterServerConfig` y `evaluatorConfig`).	La configuración es una lista genérica; especifica las configuraciones de la máquina en `CustomJobSpec.workerPoolSpecs[]`.
Envía un trabajo de entrenamiento con un paquete de Python.	Los campos relacionados con tu paquete de Python son de nivel superior dentro de `TrainingInput`.	Los campos relacionados con tu paquete de Python están organizados en `pythonPackageSpec`.
Especifica los tipos de máquina	Especifica cualquier tipo de máquina disponible cuando crees un trabajo de entrenamiento. Se admiten GPU y TPU.	No se admiten los tipos heredados de máquinas ni los niveles de escala. Hay nuevos tipos de máquinas de Compute Engine disponibles. Se admiten GPU y TPU.
Envía un trabajo de ajuste de hiperparámetros	Envía un trabajo de entrenamiento con una configuración `hyperparameters`. Ya sea que se envíe un trabajo de entrenamiento con o sin ajuste de hiperparámetros, se crea un recurso de API `TrainingJob`.	Envía un trabajo de ajuste de hiperparámetro con una configuración `studySpec`. Esto crea un recurso de API de nivel superior (`HyperparameterTuningJob`). Los trabajos de entrenamiento personalizados que se envían sin ajustes de hiperparámetros crean un recurso de la API de `CustomJob` de nivel superior.
Crea una canalización de entrenamiento para organizar trabajos de entrenamiento con otras operaciones	No hay un recurso de API integrado para la organización; usa AI Platform Pipelines, Kubeflow o cualquier otra herramienta de organización	Crea un recurso `TrainingPipeline` para organizar un trabajo de entrenamiento con la implementación del modelo.

Predicción

Tarea	AI Platform Prediction	Vertex AI
Selecciona la versión de framework de aprendizaje automático que deseas usar.	Los usuarios de la consola de Google Cloud establecen el nombre y la versión del framework.
	Versiones del entorno de ejecución: cuando implementas un modelo, especifica la cantidad de una versión del entorno de ejecución que incluya el framework y la versión del framework deseados.	Contenedores precompilados: cuando se implementa un modelo, especifica el URI de Artifact Registry de un contenedor compilado previamente que corresponda a tu framework y versión de framework. Usa la opción multirregional que coincida con tu extremo regional, como `us-docker.pkg.dev` para un extremo `us-central1`.
Ejecuta código personalizado con predicción	Usa rutinas de predicción personalizadas.	Usa rutinas de predicción personalizadas en Vertex AI.
Configura la región de Google Cloud que usarás	Especifica el nombre de una región cuando crees un modelo en un extremo de API global (`ml.googleapis.com`).	Crea tu modelo en un extremo regional, como `us-central1-aiplatform.googleapis.com`. No hay un extremo global. Algunas regiones que están disponibles en AI Platform no lo están en Vertex AI. Consulta la lista de regiones compatibles en la página Ubicaciones.
Almacena artefactos de modelo	Los artefactos de modelos se almacenan en Cloud Storage. No hay ningún recurso de API asociado para artefactos de modelos.	Hay almacenamiento de modelos administrados disponibles para artefactos de modelos y se asocia con el recurso `Model`. Aún puedes implementar modelos almacenados en Cloud Storage sin usar un conjunto de datos administrado de Vertex AI.
Implementación del modelo	Implementa un modelo directamente a fin de que esté disponible para las predicciones en línea.	Crea un objeto de Endpoint que proporcione recursos para entregar predicciones en línea. Luego, implementa el modelo en el extremo. Para solicitar predicciones, llama al método `predict()`.
Solicita predicciones por lotes	Puedes solicitar predicciones por lotes en modelos almacenados en Cloud Storage y especificar una versión del entorno de ejecución en tu solicitud. Como alternativa, puedes solicitar predicciones por lotes en modelos implementados y usar la versión de entorno de ejecución que especificaste durante la implementación del modelo.	Sube tu modelo a Vertex AI y, luego, especifica un contenedor compilado previamente o un contenedor personalizado para entregar las predicciones.
Solicitudes de predicción en línea	La estructura JSON incluye una lista de instancias.	La estructura JSON incluye una lista de instancias y un campo para los parámetros.
Especifica los tipos de máquina	Especifica cualquier tipo de máquina disponible cuando crees una versión.	No se admiten los tipos de máquinas de predicción en línea heredadas de AI Platform (MLS1). Solo están disponibles los tipos de máquinas de Compute Engine.
Implementar modelos	Crea un recurso de modelo y, luego, crea un recurso de versión.	Crea un recurso de modelo, crea un recurso de extremo e implementa el modelo en el extremo. Especifica la división del tráfico en el extremo.

Vertex Explainable AI

Puedes obtener atribuciones de funciones para modelos tabulares y de imagen en AI Explanations para AI Platform y Vertex Explainable AI.

Tarea	Explicaciones de IA para AI Platform	Vertex Explainable AI
Obtén atribuciones de atributos para modelos tabulares	Usa Shapley de muestra o gradientes integrados a fin de obtener atribuciones de atributos de los modelos tabulares.
Obtén atribuciones de atributos para modelos de imagen	Usa gradientes integrados o XRAI a fin de obtener atribuciones de atributos para los modelos de imágenes.

Etiquetado de datos

El Servicio de etiquetado de datos de AI Platform está disponible con algunos cambios en la API:

Tarea/concepto	Servicio de etiquetado de datos de AI Platform	Etiquetado de datos en la Vertex AI
Envía instrucciones para los etiquetadores de datos.	Tus instrucciones, como archivo PDF, se almacenan en Cloud Storage y se asocian con un recurso de API `Instruction`.	Tus instrucciones, como archivo PDF, se almacenan en Cloud Storage, pero no hay un recurso de API solo para instrucciones. Especifica el URI de Cloud Storage del archivo de instrucción cuando crees un recurso de API `DataLabelingJob`.
Conjuntos de datos anotados	Existe un recurso de API de `AnnotatedDataset`.	No hay ningún recurso de la API de `AnnotatedDataset`.
Cómo se organizan las `AnnotationSpec`	Los objetos `AnnotationSpec` se organizan en un recurso de API de `AnnotationSpecSet`.	No hay `AnnotationSpecSet`. Todos los `AnnotationSpec` se organizan en `Dataset`.

Además, hay una nueva función de etiquetado de datos en Vertex AI:

Por lo general, los etiquetadores especializados de Google completan las tareas de etiquetado de datos. Como alternativa, puedes crear un grupo de especialistas que te permita administrar tareas de etiquetado de datos con tu propia fuerza de trabajo para completar las tareas de etiquetado, en lugar de usar los especialistas de Google. En este momento, esta función solo está disponible a través de una solicitud a la API. No está disponible en la consola de Google Cloud.